freshbin000的博客

java知识简单整理，面试复习

leetcode的几道链表练习题：package com.freshbin.basics.linkedlist;/** * @author freshbin * @date 2020/5/2 14:54 */public class ListNode { int val; ListNode next; ListNode(int x) { ...

工作的时候，一个bug改一天，一个需求看一周。刷题的时候，三个问题解一天，还是简单的那种，急躁的时候不要继续当前的事情，急躁的时候不要继续当前的事情，急躁的时候不要继续当前的事情（手动敲三遍，希望能牢记）。下面是解了一天的三个leetcode简单小问题：package com.freshbin.basics.array;import java.util.HashMap;/** * ...

拓扑排序，感觉就是图的广度优先搜索和深度优先搜索。拓扑排序的两种实现方法：Kahn算法与DFS深度优先搜索算法Kahn算法：使用的是贪心算法思想，借助一个队列，以及一个统计当前顶点入度数的数组。当顶点的入度为0，那么就把顶点入队列。当队列不为空，那么就取出队列的顶点，同时把该顶点所有指向的顶点取出来，同时把这些顶点的入度都减一，然后判断这些顶点的入度是否为0，如果为0，就将该顶点入队列，不...

动态规划问题一般遵循一个模型三个特征。一个模型表示在解决问题时，可以把该问题分解成多个阶段求解，每个阶段称为决策阶段，我们需要找到一组决策阶段，这组决策阶段能够产生我们期望的最优解。三个特征是指最优子结构，无后效性和重复子问题。最优子结构：子问题的最优解可以推出问题的最优解，而父问题的最优解可以推出子问题的最优解，也就是说后面阶段的最优状态可以由前面的最优状态推导出来。（感觉有点像是贪心算法每...

分治算法一般用递归来实现，分治算法是一种处理问题的思想，递归是一种编程技巧，在分治算法的递归实现中，每一层递归都会涉及这三个操作：1、分解：将原问题分解成一系列子问题；2、解决：递归求解各个子问题，若子问题足够小，则直接求解；3、合并：将子问题的结果合并成原问题。满足下面几个条件，则可以使用分治算法：1、原问题与分解成的小问题具有相同的模式；2、原问题分解成的子问题可以独立...

看了一天回溯算法，一路调试代码把自己都给转晕了，看着问题解出来的代码都很简短，但是总觉得不太能理解，一路调试也知道有点像是：从起始位置出发，如果前面有几条岔路，那么先选择第一条，走下去，又有几条岔路，再选择第一条走下去，走过n个岔路口，一直都是选择第一条走下去，一路到底之后；返回上一个路口，选择第二条一路走下去，又走过n个岔路口，到底之后，再返回上一个路口，选择第二条重复下去。其实就是...

贪心算法的典型特征：针对一个问题，有限制值和期望值。解决步骤：针对给定数据，选择数据在限定值同等贡献的情况下，对期望值贡献最大的数据。每个状态下都找到当前状态下的最优解。两个小练习代码如下：package com.freshbin.dataStructAndAlgo.chapter37.mycode;import java.util.HashMap;/** * leetco...

数据结构越学越懒散了，从最初的数组链表，码几行代码感觉成就满满，后来逐渐疑惑，跳表，红黑树，开始感到智商不够用，又慢慢的和自己和解了，今天学了图，写(抄)了广度优先和深度优先代码，我又觉得自己可以了。数据结构也就那样，能够理解的就学，不能理解的就尝试理解，实在理解不来，那就先跳过，后面的风景依然精彩！package com.freshbin.dataStructAndAlgo.chapter...

堆有两个特征：1、是一颗完全二叉树；2、堆中的每个节点都必须大于等于或者小于等于其子树节点的值，大于等于子节点的堆称为大顶堆，小于或等于子节点的堆称为小顶堆。堆化：当堆的插入或者删除操作会破坏堆的特征，那么这时候会重新调整，让其重新满足堆的特征。堆化有从下往上和从上往下两种。堆化就是顺着节点从上往下或者从下往上进行对比，然后交换。大顶堆的插入操作（从下往上）：将准备插入的值设置为数组的最后...

二叉树的两种存储方式：链式存储法和基于数组的顺序存储法顺序存储法：位置为i的节点的左节点为2i，右节点为2i+1，根节点存在下标为1的位置上，顺序存储会存在空白空间，因此会浪费空间，如果是一颗完全二叉树，那么就可以用数组的存储方式。二叉查找树：如果遇到支持存储重复数据的二叉查找树，那么有两种方法解决：一是相同的值存储在同一个节点上，该节点通过链表或者支持动态扩容的数据解决；二是遇到相同的值...

完成了四个简单的二分变形，以及leetcode81题解答，不过这个解答一开始想不明白，后来剽窃了大神们的答案，才恍然大悟，我真是太菜了。代码如下：package com.freshbin.dataStructAndAlgo.chapter15.mycode;import com.freshbin.dataStructAndAlgo.chapter11.mycode.MySimpleSor...

桶排序：首先把数据分到对应的桶中，其中每个桶的容量要注意动态扩容，使用快排将每个桶的顺序排好，之后写回原数组中。如果要保证数据的稳定性，那么桶的排序就不能用快排了，估计可以用插入排序等稳定排序算法。计数排序：特殊的桶排序，把数据分入如干个桶中，每个桶里的数据是一样的，不过桶里记录的是该数据有多少个，之后将每个桶里的数据个数从前往后叠加起来，再使用一个有序数组，从后往前遍历原数组，将原数组按照在...

实现了冒泡排序，插入排序，选择排序，归并排序，快速快速5个简单的排序算法，其中，递归排序和快速排序比较难理解一点，使用了分治思想，用递归方式实现，感觉归并排序是从子问题自下而上的解决，快排是由主问题自上而下的解决。代码如下：package com.freshbin.dataStructAndAlgo.chapter11.mycode;/** * 排序算法 * @author fres...

可以用递归解决的问题，需要满足3个前提条件：1、该问题可以分解成多个子问题；2、该问题与多个子问题的解决思路是一致的；3、有终止条件，即最底层的子问题不需要再分解成子问题也可以解决。跳台阶问题，每次只能跳一个台阶或者两个台阶，跳上第n个台阶有多少种跳法，代码如下：private HashMap<Integer, BigDecimal> cacheMap = ne...

使用链表实现队列，两个指针，一个尾指针负责入队，一个头指针负责出队，比较简单，代码如下：package com.freshbin.dataStructAndAlgo.chapter06.mycode.queue;/** * 链表实现队列 * @author freshbin * @date 2020/4/14 17:32 */public class QueueBasedOnL...

使用数组和链表实现栈，比较简单，代码如下：package com.freshbin.dataStructAndAlgo.chapter06.mycode.stack;/** * 使用数组实现栈 * @author freshbin * @date 2020/4/14 9:45 */public class StackBasedOnArray { private Inte...

这次做了链表五个习题：1、单链表反转2、链表中环的检测3、两个有序的链表合并4、删除链表倒数第 n 个结点5、求链表的中间结点需要用到下列两个链表类：package com.freshbin.dataStructAndAlgo.chapter06.mycode.Link.LRU;/** * @author freshbin * @date 2020/4/11 ...

今天试着搭建一个文档平台。环境要求：安装npm环境1、首先是在命令行安装全局docsify，命令如下npm i docsify-cli -g我在安装执行这个命令之后，发现命令行窗口一直不会动，没有那种正在下载的迹象，但是我还是等了十几分钟，后来发现不对，这可能根本没在下载，后来，果然出现了一段提示npm WARN registry Unexpected warning for...

常见的链表：单链表，双链表，循环链表。使用链表实现LRU缓存淘汰策略代码：使用数组实现LRU缓存淘汰策略代码：使用单链表判断一个字符串是否是回文字符串：...

数组是一种线性表数据结构，它用一组连续的内存空间，来存储一组具有相同类型的数据。问题一：为什么数组下标索引是从0开始？解答：这个需要从数组的寻址公式说起，因为数组的寻址公式为：a[i]_address = base_address + i * data_type_size如果从1开始，那么寻址公式就会变为a[k]_address = base_address + (k-1)*...

今天开始学习王争老师的数据结构与算法。一、时间复杂度1、时间复杂度由来1.1、上面代码段中，第2,3行执行分别需要1个unit_time的执行时间，第4,5执行分别需要n个unit_time的执行时间，所以这段代码总的执行时间为T（n）=（2+2n）*unit_time。1.2、上面的代码中，第2,3,4分别需要1个unit_time的执行时间，第5,6行分别需要n个uni...

seata解决分布式事务问题，下载，修改配置文件，启动即可使用。各个微服务修改配置，添加seata配置信息，添加@GlobalTransactional即可，可以做到全局提交全局回滚，强大。seata主要是一个全局xid和三个组件，即TC,TM,RM，TC负责协助，开启全局ID，TM负责事务管理，RM是数据管理，没有深入了解，以后有需要再详细查看。到此，springcloud系列就全了...

在本地启动sentinel服务，之后可以在一个微服务项目中配置yml信息，便可以在Dashboard编辑与查看相关信息，sentinel可以做流控与熔断，功能十分强大，特别是可视化界面中可以自由配置需要的功能。将服务注册进nacos与使用sentinel监控之后，可以实现服务熔断降级与流量控制的功能，使用@SentinelResource注解，以及使用fallback实现服务降级的解决方法，使...

nacos注册中心：只需要启动nacos服务，在服务端与消费端的pom添加依赖，在yml添加注册进nacos的配置即可，nacos自带ribbon，所以可以实现负载均衡。

Stream：Stream可以将系统的服务端和消费端与消息中间件进行连接，使服务端与消费端不用考虑使用的消息队列，不过目前Stream只支持RabbitMQ和kafka，只需导入依赖spring-cloud-starter-stream-rabbit，以及配置服务端与消费端相关的yml文件。消费端使用@EnableBinding(Sink.class)与@StreamListener(Si...

Config：配置分为服务端和客户端。服务端：直接连接github仓库，github仓库内容更改，服务端访问立即生效。客户端：连接服务端，从服务端获取配置文件，github内容更改，需要通知客户端才能获取最新内容。客户端的yml添加“暴露监控端点配置”，即可通过actuator/refresh手动刷新config配置。Bus：服务端和客户端都添加rabbitMQ，之后服务端...

Gateway：由断言和过滤组成的路由网关。断言为true，才进入过滤。路由配置可以通过yml配置方式和编码方式。断言可以在yml中配置routes相关属性即可实现拦截转发的作用。自定义过滤器实现GlobalFilter,Ordered即可做到全局过滤。...

Hystrix：停止更新，不推荐使用。resilience4j：官网推荐用，但是国内比较少。sentinel：用的比较多，推荐使用。服务超时或者宕机，需要服务降级，客户端出故障，客户端需要降级。通过@HystrixCommand注解controller的接口，可以进行服务降级与服务熔断，服务降级一般设置在客户端，熔断可能是设置在服务端比较好吧（不太清楚），在客户端的service接...

Ribbon：默认使用轮询进行负载均衡，如果要自己重写负载均衡算法，那么就要把配置类放到@ComponentScan扫描包的外面。模仿ribbon手写自己的负载均衡，取消 new RestTemplate()的@LoadBalanced注解，不然请求会被ribbon拦截，主要是使用DiscoveryClient查找所有的服务，然后调用自己写的负载均衡算法获取ServiceInstance对象，之...

Eureka：停更，不推荐使用。Zookeeper：用的不多，集群先放一放。Consul：可能是没nacos好用吧。Eureka符合AP，Zookeeper和Consul符合CPNacos：待补充

今天开始学习springcloud系列知识，今天先新建项目。一、建立父工程。1、在idea新建maven项目2、配置maven3、配置文件路径4、设置utf-8编码5、打开注解设置6、File Types过滤7、修改pom文件.(设置idea代码自动补全:https://blog.csdn.net/dataiyangu/article/det...

package com.freshbin.leetcode.from1to100.medium;import java.util.ArrayList;import java.util.List;import com.sun.org.apache.bcel.internal.generic.LLOAD;/** * 将一个给定字符串根据给定的行数，以从上往下、从左到右进行Z 字形排...

package com.freshbin.leetcode.from1to100.medium;import java.util.HashMap;import java.util.Map;/** * 给定一个字符串 s，找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。 * 示例 1： * 输入: "babad" * 输出: "bab" * 注意: "aba...

package com.freshbin.leetcode.from1to100.hard;import java.util.Arrays;/** * 给定两个大小为 m 和 n 的有序数组nums1 和nums2。 * 请你找出这两个有序数组的中位数，并且要求算法的时间复杂度为O(log(m + n))。 * 你可以假设nums1和nums2不会同时为空。 * ...

package com.freshbin.leetcode.from1to100.medium;import java.util.HashMap;import java.util.Map;/** * 给定一个字符串，请你找出其中不含有重复字符的 最长子串 的长度。 * 示例1: * 输入: "abcabcbb" * 输出: 3 * 解释: 因为无重复字符的最长子串是 "a...

package com.freshbin.leetcode.from1to100.medium;import java.math.BigDecimal;/** * 给出两个非空 的链表用来表示两个非负的整数。其中，它们各自的位数是按照逆序的方式存储的，并且它们的每个节点只能存储一位数字。 * 如果，我们将这两个数相加起来，则会返回一个新的链表来表示它们的和。 * 您可以假...

package com.freshbin.leetcode.from1to100.easy;import java.util.HashMap;import java.util.Map;/** * 给定一个整数数组 nums和一个目标值 target，请你在该数组中找出和为目标值的那两个整数，并返回他们的数组下标。 * 你可以假设每种输入只会对应一个答案。但是，你不能重复利用这...

安装了kafak2.3.0的前提下，并且已经打开服务。安装教程：https://mp.csdn.net/postedit/102837603pom引入依赖：<!--引入kafak和spring整合的jar--> <dependency> <groupId>org.springframework.kafka</...

首先到kafka官网http://kafka.apache.org/downloads下载，我下载的是这个版本下载完毕，解压，可以看到bin下面有个windows目录，其中包含了zookeeper-server-start.bat也就是zk的启动文件，以及kafka-server-start.bat的启动文件，打开cmd窗口，进入到这个windows文件夹目录下，因为kafka需要依赖zk...

import requestsfrom lxml import etreefrom pyquery import PyQuery as pqcookie = Noneheaders = Noneclass Login(object): def __init__(self): self.login_url = 'https://github.com/login...

insert into tags_material(id, tags_id, material_id) select REPLACE(UUID(), '-', ''), 'a1a08638626d11e9a62700163e12e713', id from material_video where DATE_FORMAT(create_time, '%Y%m%d') = '20190429'...

SELECT DISTINCT substring_index(substring_index(t.cf,'、', b.help_topic_id + 1), '、', -1) FROM cosmetics02 t join mysql.help_topic b ON b.help_topic_id < (LENGTH(t.cf) - LENGTH(REPLACE(t.cf, '、',...

"""Version: 0.1Author: freshbinDate: 2019年9月3日"""print("=================================代理的设置 start================================================")"""# urllibfrom urllib.error import URLE...

这个是极验滑动验证码的识别，照着书上的例子发现不太行，获取不到验证码图片，于是上网找了一遍，发现有位大神重新封装了chromedriver，于是我照搬过来，发现可以运行，封装的py文件为selenium.spider.py"""@author: Liubing@software: PyCharm@file: selenium_spider.py@time: 2019-03-11 13...

"""Version: 0.1Author: freshbinDate: 2019年9月2日"""print("=================================图形验证码的识别 start================================================")import tesserocrfrom PIL import Image...

"""Version: 0.1Author: freshbinDate: 2019年8月30日"""print("=================================selenium爬取淘宝商品信息 start================================================")from selenium import webdrive...

"""Version: 0.1Author: freshbinDate: 2019年8月29日"""print("=================================selenium start================================================")"""from selenium import webdriverfro...

import requestsfrom urllib.parse import urlencodefrom requests import codesimport osfrom hashlib import md5from multiprocessing.pool import Poolimport redef get_page(offset): headers = {...

"""Version: 0.1Author: freshbinDate: 2019年8月29日"""print("=================================ajax start================================================")# http://www.w3school.com.cn/ajax_xmlhttp...

"""Version: 0.1Author: freshbinDate: 2019年8月29日"""print("=================================mongodb学习 start================================================")"""from redis import StrictRedisre...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================mongodb学习 start================================================")# 非关系型数据库细分如下'''键值存储数据库：代表有redis、v...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================CSV start================================================")import csv# with open('data.csv', 'w') a...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================JSON文本存储 start================================================")import jsonstr = '''[{ "name":...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================txt文本存储 start================================================")import requestsfrom pyquery import Py...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================pyquey使用 start================================================")# 初始化html = '''<div class="wrap"...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================xpath使用 start================================================")'''XPath的常用匹配规则表达式 ...

"""Version: 0.1Author: freshbinDate: 2019年8月28日"""print("=================================MySql的存储 start================================================")import pymysqldb = pymysql.connect(h...

"""Version: 0.1Author: freshbinDate: 2019年8月26日"""print("=================================抓取猫眼电影榜单 start================================================")import requestsimport reimport json...

"""Version: 0.1Author: freshbinDate: 2019年8月26日"""print("=================================正则表达式 start================================================")# 正则表达式网页小工具 http://tool.oschina.net/reg...

首先感谢崔庆才博主的文章，以下信息都是在其文章与《python3网络爬虫开发实战》书中摘抄出的https://cuiqingcai.com"""Version: 0.1Author: freshbinDate: 2019年8月23日"""print("=================================使用requests start================...

首先感谢崔庆才博主的文章，以下信息都是在其文章与《python3网络爬虫开发实战》书中摘抄出的https://cuiqingcai.com"""Version: 0.1Author: freshbinDate: 2019年8月23日"""print("=================================分析Robots协议 start================...

首先感谢崔庆才博主的文章，以下信息都是在其文章与《python3网络爬虫开发实战》书中摘抄出的https://cuiqingcai.com"""Version: 0.1Author: freshbinDate: 2019年8月23日"""print("=================================处理异常 start======================...

首先感谢崔庆才博主的文章，以下信息都是在其文章与《python3网络爬虫开发实战》书中摘抄出的https://cuiqingcai.com"""Version: 0.1Author: freshbinDate: 2019年8月23日"""print("=================================urllib start====================...

"""Version: 0.1Author: freshbinDate: 2019年8月23日"""print("=================================网页的组成 start================================================")# HTML （Hyper Text Markup language）超文本标记语...

首页感谢崔庆才博主的文章，以下信息都是在其文章与《python3网络爬虫开发实战》书中摘抄出的https://cuiqingcai.com"""Version: 0.1Author: freshbinDate: 2019年8月23日"""print("=================================URI和URL start===================...

"""Version: 0.1Author: freshbinDate: 2019年8月22日"""print("=================================装饰器 start================================================")from time import sleepfrom functools impo...

"""Version: 0.1Author: freshbinDate: 2019年8月21日"""print("=================================传递元组 start================================================")def get_error_details(): return (2, '...

"""Version: 0.1Author: freshbinDate: 2019年8月21日"""print("=================================日志模块 start================================================")import osimport platformimport logging...

"""Version: 0.1Author: freshbinDate: 2019年8月21日"""print("=================================错误 start================================================")# Print('ERROR')# NameError: name 'Print' ...

"""Version: 0.1Author: freshbinDate: 2019年8月21日"""print("=================================文件 start================================================")poem = '''\Programming is funWhen the wor...

"""Version: 0.1Author: freshbinDate: 2019年8月21日"""print("=================================输入与输出 start================================================")def reverse(text): return text[::-1]...

"""Version: 0.1Author: freshbinDate: 2019年8月21日"""print("=================================类 start================================================")class Person: passclass Person01: ...

"""Version: 0.4Author: freshbinDate: 2019年8月20日"""import osimport timeimport zipfile# 需要备份的文件目录source = 'E:/python/myexample/pythonExample/day001/test007Data/needBak'# 存储的目录target_dir= '...

"""Version: 0.1Author: freshbinDate: 2019年8月20日"""print("=================================数据结构 start================================================")# python内置的四种数据结构：列表、元组、字典和集合print("====...

"""Version: 0.1Author: freshbinDate: 2019年8月20日"""print("=================================模块 start================================================")import sysprint('The command line argument...

"""Version: 0.1Author: freshbinDate: 2019年8月20日"""print("=================================函数 start================================================")# 局部变量x = 50def func_x(x): print('x ...

"""Version: 0.1Author: freshbinDate: 2019年8月20日"""print("=================================if语句 start================================================")number = 23guess = int(input('Enter an i...

"""Version: 0.1Author: freshbinDate: 2019年8月20日"""print("=================================运算符与表达式 start================================================")#可用运算符："""· + （加）· - （减）· * （乘）· ...

"""Version: 0.1Author: freshbinDate: 2019年8月19日"""print("=================================注释 start================================================")# 注释 是任何存在于 # 号右侧的文字，其主要用作写给程序读者看的笔记。# 你...

这两天开始看tensorflow，首先来个神经网络的训练大致过程的python代码import tensorflow as tffrom numpy.random import RandomStatesess = tf.Session()batch_size = 8x = tf.placeholder(tf.float32, shape=(None, 2), name='...

吴恩达老师的课程已经看完了，但是由于只是通过快速观看课程，以了解一个大概，所以没有做练习，现在准备继续看周志华老师的机器学习书籍，争取边看边做笔记，再把课后习题完成。 归纳：从特殊到一般的泛化过程。 演绎：从一般到特殊的特化过程。假设空间与版本空间的概念：搬来两位位博主的博客https://blog.csdn.net/qq_20936739/a...

获取数据，有以下方式如果模型是低方差，即高偏差的情况，可以通过扩大训练集的方式来优化模型。OCR工作流：文字侦测-字符切分-字符识别上限分析：由OCR例子中，分析每一步的输出结果正确率，以把时间用在正确的正确率提升上。...

随机梯度下降算法：当训练集m很大的时候，批量梯度下降算法的对代价函数的微分求解迭代计算量会很大。步骤：mini-batch 梯度下降算法：随机梯度下降算法的下降收敛：如果代价函数图像的噪声过大，那么可以增加求均值的样本数量，曲线不断上升，则减小学习速率的值。学习速率可以保持一个常数，也可以用含有迭代次数的表达式。在线学习：根据用户喜好，不...

协同过滤算法：听不懂，千言万语，就是用梯度下降最小化代价函数低矩阵分解：均值归一化：

高斯分布：异常检测：异常检测与监督学习：如何选择异常检测算法的特征：听不懂。。。。。多元高斯正态分布引入协方差矩阵...

数据压缩：看不是很明白，反正就是从高维度降到低维度。主成分分析算法（PAC）：看懵逼了，不太知道PCA讲什么截个图用于祭奠PCA可以用于提高学习算法的速度，不适用于解决过拟合问题。...

循环两步1、随机生成聚类中心，进行族分类。2、移动聚类中心，移动聚类中心到均值位置。优化聚类算法的代价函数J()，可以通过上面循环的两步来缩小。随机选取聚类中心：通过不断循环上图的运算，当运行100次之后，找出代价函数最小的聚类中心。如何选择聚类数量：肘部法则：...

支持SVM向量机的优化函数：代价函数的图像：左边为y=1的代价函数，如果要代价函数最小，则需要大于1右边为y=0的代价函数，如果要代价函数最小，则需要小于-1.向量机参数影响偏差与方差问题：...

交叉验证集函数与偏差和方差的图像关系：左边高偏差即欠拟合，右边高方差即过拟合。正则化和偏差、方差之间的图像关系。增大入，可以解决高方差问题，减小入，可以解决高偏差问题。解决高方差和高偏差的方案思路：...

and or not xnor代价函数：看课程已经看到懵逼了，笔记不知道怎么记了。。。。。。。。

逻辑回归方程：代价函数：如果出现过拟合的情况，可以使用正则化解决。正则化对thera求解从1开始。正规方程正则化：线性方程正则化：逻辑回归正则化：...

正规方程与梯度下降算法比较用正规方程求解参数的方法：例子如下：结果为(n+1)*1的矩阵，我想这应该就是各个参数的值。（n为特征数）

让梯度下降的速度变得更快可以用特征缩放方法、特征归一化。特征缩放：u为该特征的平均值，s为该特征的范围。看得有点懵，好像如果是多项性线性回归模型，那么对特征进行缩放之后，再运行梯度下降算法会更快。...

训练样本记为m，特征为x，对应目标值为y，(x，y)表示一组训练样本，h为从x到y的函数映射。单变量线性回归：h(x)=θ0++θ₁x代价函数是实际y值与期望y值的方差的二分之一，其函数表达式为：代价函数也称为平方误差代价函数，简记为：我觉得代价函数是一个随θ₁变化的函数，当J(θ₁)取值为最小时，此时的θ₁为最小化值，即此时的θ₁能够使线性回归函数h(x)拟...

关于机器学习的笔记，纯属个人理解，想到什么，记录什么， 可能写的东西不会很具体和全面。 机器学习有监督学习和无监督学习，我认为两者的概念如下。 监督学习：有一大堆训练的数据，如果你要预测某个结果，你可以通过对比分析训练数据，从而找到你需要预测的结果。现阶段我所知道的内容是监督学习有回归算法和分类算法。 无监督学习：没有训练数据，结果好像也不需要预测，完全有机器...